اندازه گیری¶

ماژول های اندازه گیری اندازه گیری از تصاویر یا اشیاء تولید شده توسط ماژول های قبلی را تولید می کنند.

اندازه گیری اندازه گیری

اندازه گیری اندازه گیری اندازه گیری و همبستگی بین شدت در تصاویر مختلف (به عنوان مثال ، کانال های رنگی مختلف) بر اساس پیکسل به پیکسل ، در اشیاء مشخص شده یا در کل یک تصویر را اندازه گیری می کند.

با توجه به دو یا چند تصویر ، این ماژول همبستگی و colocalization (همپوشانی ، ماندرز ، آستانه خودکار و کلوکالیزاسیون وزنی رتبه بندی) را بین شدت پیکسل محاسبه می کند. همبستگی / colocalization را می توان برای کل تصاویر اندازه گیری کرد ، یا می توان اندازه گیری همبستگی را در هر شیء جداگانه انجام داد. همبستگی / colocalizations بین همه جفت تصاویر که در ماژول انتخاب شده اند و همچنین بین اشیاء انتخاب شده محاسبه می شود. به عنوان مثال ، اگر همبستگی هایی برای مجموعه ای از تصاویر قرمز ، سبز و آبی حاوی هسته های مشخص شده اندازه گیری شود ، اندازه گیری بین موارد زیر انجام می شود:

تصاویر آبی و سبز ، قرمز و سبز و تصاویر قرمز و آبی.

هسته ها در هر یک از جفت های تصویر فوق.

یک آغازگر خوب در تئوری colocalization را می توان در وب سایت SVI یافت.

می توانید یک بررسی مفید در مورد colocalization از هارون و همکاران پیدا کنید.`اینجا `_.

اندازه گیری های انجام شده توسط این ماژول

همبستگی: همبستگی بین یک جفت تصویر i و J ، به عنوان ضریب همبستگی پیرسون محاسبه می شود. فرمول کواریانس (i ، j)/[std (i) × std (j)] است.

شیب: شیب رگرسیون حداقل مربعات بین یک جفت تصویر i و J. با استفاده از مدل A × I + B = J محاسبه می شود ، جایی که A شیب است.

ضریب همپوشانی: ضریب همپوشانی اصلاح همبستگی پیرسون است که در آن مقادیر شدت متوسط پیکسل ها از مقادیر شدت اصلی کم نمی شوند. برای یک جفت تصویر r و g ، ضریب همپوشانی به عنوان r = sum (ri*gi) / sqrt (جمع (ri*ri)*جمع (gi*gi)) اندازه گیری می شود.

Manders coefficient: The Manders coefficient for a pair of images R and G is measured as M1 = sum(Ri_coloc)/sum(Ri) and M2 = sum(Gi_coloc)/sum(Gi), where Ri_coloc = Ri when Gi > 0, 0 otherwise and Gi_coloc = Gi when Ri >0 ، 0 در غیر این صورت.

Manders coefficient (Costes Automated Threshold): Costes’ automated threshold estimates maximum threshold of intensity for each image based on correlation. Manders coefficient is applied on thresholded images as Ri_coloc = Ri when Gi > Gthr and Gi_coloc = Gi when Ri >RTHR که در آن GTHR و RTHR آستانه هایی هستند که با استفاده از روش آستانه خودکار هزینه محاسبه می شوند.

Rank Weighted Colocalization coefficient: The RWC coefficient for a pair of images R and G is measured as RWC1 = sum(Ri_coloc*Wi)/sum(Ri) and RWC2 = sum(Gi_coloc*Wi)/sum(Gi), where Wi is Weight defined as Wi = (Rmax - Di)/Rmax where Rmax is the maximum of Ranks among R and G based on the max intensity, and Di = abs(Rank(Ri) - Rank(Gi)) (absolute difference in ranks between R and G) and Ri_coloc = Ri when Gi > 0, 0 otherwise and Gi_coloc = Gi when Ri >0 ، 0 در غیر این صورت.(Singan et al. 2011 ، BMC Bioinformatics 12: 407).

منابع¶

هارون JS ، تیلور AB ، Chew TL. محلی سازی همزمان-همبستگی در مقابل همبستگی. J Sci Cell. 2018 ؛ 131 (3): JCS211847. منتشر شده 2018 فوریه 8. doi: 10. 1242/jcs. 211847

اندازه گیری رشد

اندازه گیری های اندازه گیری اندازه از بافت در تصویر ، اندازه گیری اندازه گیری.

گرانولیت تصویر یک اندازه گیری بافت است که سعی می کند یک سری از عناصر ساختار با افزایش اندازه را در بافت تصویر قرار دهد و طیف هایی از اقدامات را بر اساس میزان مناسب بودن آنها خروجی می کند. دانه بندی همانطور که توسط ایلیا راکین شرح داده می شود (منابع زیر) اندازه گیری می شود.

در اصل ، اندازه گیری: 1 - تصویر را پایین می آورد (اگر به آن بگویید). این در فاکتور زیر نمونه گیری برای اندازه گیری دانه بندی یا فاکتور نمونه برداری برای کاهش پس زمینه تنظیم شده است. 2 - پس زمینه هر چیزی بزرگتر از شعاع موجود در پیکسل های تنظیم شده در شعاع عنصر ساختاری را کم می کند. 3 - برای هر چند بار که در طیف وسیعی از طیف گرانول قرار گرفتید ، از مناطق روشن که فقط 1 پیکسل در آن قرار دارد خلاص می شود ، گزارش می دهد که با انجام این کار چقدر سیگنال از دست رفته است ، سپس تکرار می شود. یعنی اولین باری که یک پیکسل را از تمام مناطق روشن در تصویر حذف می کند ، (به طور مؤثر مواردی را که فقط 1 پیکسل دارند حذف می کند) و سپس گزارش می دهد که ٪ از سیگنال از بین رفته است. سپس تصویر اولی را می گیرد و حذف و گزارش را تکرار می کند (به طور مؤثر گزارش مقدار سیگنال که در اندازه دو پیکسل است). و غیره.

از نظر CellProfiler 4. 0 تنظیمات این ماژول برای ساده سازی پیکربندی تغییر یافته است. مجموعه ای از پارامترها اکنون به جای هر تصویر که به پیکربندی فردی نیاز دارد ، برای کلیه تصاویر و اشیاء موجود در ماژول اعمال می شود. خطوط لوله از نسخه های قدیمی تر برای مطابقت با این قالب تبدیل می شوند. اگر مجموعه های مختلفی از پارامترها تعریف شده باشند CellProfiler اولین مجموعه را از نسخه خط لوله قدیمی استفاده می کنند. مشخص کردن مجموعه های مختلف پارامترها هنوز هم می تواند با اجرای چندین نسخه از این ماژول حاصل شود.

اندازه گیری های انجام شده توسط این ماژول

گرانولیت: ماژول یک اندازه گیری را برای هر نمونه از طیف دانه بندی تنظیم شده در طیف طیف گرانول برمی گرداند.

منابع¶

Serra J. (1989) تجزیه و تحلیل تصویر و مورفولوژی ریاضی ، جلد. 1. مطبوعات دانشگاهی ، لندن

Maragos P. "طیف الگوی و بازنمایی شکل چند مقیاس" ، معاملات IEEE در تجزیه و تحلیل الگوی و هوش دستگاه ، 11 ، شماره 7 ، صص 701-716 ، 1989

وینسنت L. (2000) "گرانولومتر و درختان افتتاح" ، Informaticae ، 41 ، شماره 1-2 ، صص 57-90 ، iOS Press ، 2000.

Vincent L. (1992) "باز و بسته شدن منطقه مورفولوژیکی برای تصاویر با مقیاس خاکستری" ، Proc. شکل ناتو در کارگاه تصویری ، Driebergen ، هلند ، صص 197-208.

Ravkin I ، Temov V. (1988) "تکنیک های نمایندگی بیت و پردازش تصویر" ، انفورماتیک کاربردی ، v. 14 ، صص 41-90 ، امور مالی و آمار ، مسکو ، (به روسی)

اندازه گیری

اندازه گیری اندازه گیری منطقه کل در تصویری که توسط اشیاء اشغال شده است ، اندازه گیری می کند.

این ماژول مجموع مناطق و محیط های اشیاء تعریف شده توسط یکی از ماژول های شناسایی یا منطقه پیش زمینه را در یک تصویر باینری گزارش می کند. اگر تصویر ورودی دارای ماسک باشد (برای مثال ، ایجاد شده توسط ماژول MaskImage) ، اندازه گیری های انجام شده توسط این ماژول با نادیده گرفتن پیکسل های خارج از ماسک ، ماسک را در نظر می گیرد.

اگر می توانید از این ماژول برای اندازه گیری تعداد پیکسل ها در آستانه معین استفاده کنید ، اگر قبل از آن با آستانه انجام شده توسط آستانه انجام می شود ، و سپس خروجی تصویر باینری را با آستانه انتخاب کنید تا توسط این ماژول اندازه گیری شود.

همچنین ببینید¶

همچنین به شناسایی PrimaryObjects ، identifysecondaryObjects ، ectiontertiaryObjects مراجعه کنید.

اندازه گیری های انجام شده توسط این ماژول

Areaoccupied/VolumeChupied: مساحت کل (2D) یا حجم (3D) که توسط اشیاء ورودی یا تصویر باینری اشغال شده است.

محیط/surfacearea طول کل محیط (2D) یا سطح سطح (3D) اشیاء ورودی/تصویر باینری.

TotalArea/TotalVolume: کل منطقه پیکسل (2D) یا حجم (3D) تصویری که در معرض اندازه گیری قرار گرفته است ، به استثنای مناطق نقاب دار.

اندازه

اندازه گیری اندازه گیری چندین ویژگی شدت را در کل یک تصویر (به استثنای پیکسل های نقاب دار) اندازه گیری می کند.

به عنوان مثال ، این ماژول تمام مقادیر پیکسل را برای اندازه گیری شدت تصویر کل خلاصه می کند. شما می توانید اندازه گیری تمام پیکسل های موجود در تصویر را انتخاب کرده یا اندازه گیری را به پیکسل های موجود در اشیاء که در یک ماژول قبلی مشخص شده اند ، محدود کنید. اگر تصویر ماسک داشته باشد ، فقط پیکسل های بدون سیم اندازه گیری می شوند.

توجه داشته باشید که برای اهداف انتشار ، واحدهای شدت از تصاویر میکروسکوپی معمولاً به عنوان "واحدهای شدت" یا "واحدهای شدت دلخواه" توصیف می شوند زیرا میکروسکوپ ها در مقیاس مطلق کالیبره نمی شوند. همچنین ، توجه به این نکته حائز اهمیت است که آیا شما میانگین در مقابل شدت یکپارچه را گزارش می دهید ، بنابراین "واحد میانگین شدت" یا "واحدهای شدت یکپارچه" را بر این اساس مشخص کنید.

به خاطر داشته باشید که رفتار پیش فرض در CellProfiler ، صرفه جویی در شدت تصویر از 0 به 1 با تقسیم تمام پیکسل ها در تصویر با حداکثر مقدار شدت ممکن است. این مقدار "حداکثر ممکن" با تنظیم "تنظیم شدت تنظیم شده از" در namesandtypes تعریف شده است. برای جزئیات بیشتر به کمک آن تنظیمات مراجعه کنید.

از نظر CellProfiler 4. 0 تنظیمات این ماژول برای ساده سازی پیکربندی تغییر یافته است. اکنون تمام تصاویر و اشیاء منتخب به جای نیاز به همسان شدن در جفت ، با هم تجزیه و تحلیل می شوند. خطوط لوله از نسخه های قدیمی تر برای مطابقت با این قالب تبدیل می شوند که ممکن است کار محاسباتی اضافی ایجاد کند. با اجرای چندین نسخه از این ماژول هنوز هم می توان جفت شدن خاص را بدست آورد.

همچنین ببینید¶

همچنین به MeasureObjectIntPence ، MaskImage مراجعه کنید.

اندازه گیری های انجام شده توسط این ماژول

TotalIntrichy: مجموع مقادیر شدت پیکسل.

میانگین شدت ، میانگین شدت: میانگین و میانگین مقادیر شدت پیکسل.

stdintens ، دیوانه وار: انحراف استاندارد و انحراف مطلق متوسط (MAD) مقادیر شدت پیکسل. دیوانه به عنوان میانه تعریف می شود (| x_i- میانه (x) |).

MINININTS ، MAXININTANG: حداقل و حداکثر مقادیر شدت پیکسل.

LowerQuartileIntrich: مقدار شدت پیکسل که 25 ٪ از پیکسل های موجود در جسم مقادیر کمتری دارند.

hearmquartileintrich: مقدار شدت پیکسل که 75 ٪ پیکسل های موجود در جسم مقادیر کمتری دارند.

Totalarea: تعداد پیکسل های اندازه گیری شده ، به عنوان مثال ، منطقه تصویر به استثنای مناطق نقاب دار.

MeasureImageOverlap¶

MeasureImageOverlap محاسبه می کند که چه مقدار همپوشانی بین قسمت های سفید دو تصویر سیاه و سفید رخ می دهد

این ماژول با تعیین مجموعه ای از آمار که نزدیکی یک تصویر را به مقدار واقعی آن اندازه گیری می کند ، همپوشانی را محاسبه می کند. یک تصویر "حقیقت زمین" (احتمالاً نتیجه تقسیم دست) در نظر گرفته می شود و دیگری تصویر "آزمایش" است. تصاویر مشخص می شوند که وقتی تصویر آزمون با حقیقت زمین کاملاً مطابقت داشته باشد ، به طور کامل همپوشانی دارند. ماژول به ورودی باینری (سیاه و سفید) نیاز دارد ، جایی که پیش زمینه تصاویر سفید و پس زمینه سیاه است. اگر تصاویر خود را در CellProfiler با استفاده از ectionPrimaryObjects تقسیم کنید ، می توانید با انتخاب باینری به عنوان نوع رنگ ، چنین تصویری را با استفاده از ConvertObjectStoImage ایجاد کنید. اگر تصاویر شما با استفاده از سایر نرم افزارهای پردازش تصویر تقسیم شده اند ، یا آنها را در نرم افزاری مانند Photoshop به دست آورده اید ، ممکن است لازم باشد از یک یا چند مورد از موارد زیر استفاده کنید تا تصاویر را برای این ماژول تهیه کنید:

ImageMath: اگر اشیاء سیاه هستند و پس زمینه سفید است ، باید با استفاده از این ماژول شدت را معکوس کنید.

آستانه: اگر تصویر مقیاس خاکستری است ، باید آن را با استفاده از این ماژول باینری کنید ، یا به طور متناوب از یک ماژول شناسایی استفاده کنید و به دنبال آن ConvertObjectStoImage همانطور که در بالا توضیح داده شد.

Colortogray: اگر تصویر به رنگ رنگی است ، ابتدا باید با استفاده از این ماژول آن را به مقیاس خاکستری تبدیل کنید و سپس از آستانه برای تولید یک تصویر باینری استفاده کنید.

در تصویر آزمون ، هر پیکسل پیش زمینه (سفید) که با پیش زمینه حقیقت زمین همپوشانی دارند ، "مثبت واقعی" در نظر گرفته می شوند ، زیرا آنها به درستی به عنوان پیش زمینه شناخته می شوند. پیکسل های پس زمینه (سیاه) که با پس زمینه تصویر حقیقت زمین همپوشانی دارند ، "منفی واقعی" در نظر گرفته می شوند ، زیرا آنها به درستی به عنوان پس زمینه شناخته می شوند. پیکسل پیش زمینه در تصویر آزمون که با پس زمینه در تصویر حقیقت همپوشانی دارد ، "مثبت کاذب" در نظر گرفته می شود (از آنجا که باید به عنوان بخشی از پس زمینه برچسب گذاری شده بود) ، در حالیپیشگویی در زمین حقیقت "منفی کاذب" تلقی می شود (از آنجا که به عنوان بخشی از پیشینه شناخته شده بود ، اما نباید باشد).

برای تصاویر سه بعدی ، تمام هواپیماهای تصویری در یک تصویر بزرگ XY جمع می شوند و همپوشانی بر روی تصویر تبدیل شده محاسبه می شود.

اندازه گیری های انجام شده توسط این ماژول

نرخ مثبت واقعی: تعداد کل پیکسل های مثبت واقعی / تعداد کل پیکسل های مثبت واقعی.

نرخ مثبت کاذب: تعداد کل پیکسل های مثبت کاذب / تعداد کل پیکسل های منفی واقعی.

نرخ منفی واقعی: تعداد کل پیکسل های منفی واقعی / تعداد کل پیکسل های منفی واقعی.

نرخ منفی کاذب: تعداد کل پیکسل های منفی کاذب / تعداد کل پیکسل های مثبت واقعی.

دقت: تعداد پیکسل های مثبت واقعی / (تعداد پیکسل های مثبت واقعی + تعداد پیکسل های مثبت کاذب).

به یاد بیاورید: تعداد پیکسل های مثبت مثبت/ (تعداد پیکسل های مثبت واقعی + تعداد پیکسل های منفی کاذب).

F-Factor: 2 × (دقت × فراخوان)/(دقت + فراخوان). همچنین به عنوان F شناخته می شود₁امتیاز ، نمره F یا اندازه F.

فاصله متحرک زمین: حداقل فاصله مورد نیاز برای جابجایی هر پیکسل پیش زمینه در تصویر آزمون به برخی پیکسل های پیش زمینه مربوطه در تصویر مرجع.

شاخص RAND: اندازه گیری شباهت بین دو خوشه داده. خوشه بندی کاملاً تصادفی حداقل نمره 0 را برمی گرداند ، خوشه بندی کامل حداکثر نمره 1 را برمی گرداند.

شاخص RAND تنظیم شده: تنوع شاخص RAND که تصحیح شانس را در نظر می گیرد.

منابع¶

Collins LM ، Dent CW (1988) "امگا: فرمولاسیون کلی از شاخص RAND بازیابی خوشه ای مناسب برای راه حل های غیر دیزاین" ، تحقیقات رفتاری چند متغیره ، 23 ، 231-242.(ارتباط دادن)

Pele O ، Werman M (2009) "مسافت سریع و قوی زمین حرکت زمین" ، 2009 IEEE دوازدهمین کنفرانس بین المللی دید رایانه.

اندازه گیری

اندازه گیری ویژگی هایی که نشان دهنده کیفیت تصویر است.

این ماژول اندازه گیری هایی را نشان می دهد که نشان دهنده ناهنجاری های احتمالی تصویر ، به عنوان مثال ، تار (تمرکز ضعیف) ، شدت ، اشباع (یعنی درصد پیکسل ها در تصویر است که در حداکثر مقدار ممکن و در نزدیکی حداقل مقدار ممکن است). جزئیات و راهنمایی برای هر یک از این اقدامات در کمک تنظیمات ارائه شده است.

لطفاً توجه داشته باشید که برای بهترین نتیجه ، این ماژول باید به جای تصاویری که قبلاً برای روشنایی اصلاح شده اند ، روی تصاویر خام اصلی اعمال شود.

اندازه گیری های انجام شده توسط این ماژول

معیارهای تاری

Focusscore: اندازه گیری واریانس شدت در تصویر. این نمره با استفاده از یک واریانس نرمال محاسبه می شود ، که بهترین الگوریتم رتبه بندی برای Brightfield ، Contrast Fase و DIC تصاویر بود (Sun ، 2004). نمرات تمرکز بالاتر با تاری پایین تر مطابقت دارد. به طور خاص ، نمره تمرکز واریانس شدت کل تصویر را با میانگین شدت تصویر محاسبه می کند. از آنجا که برای برنامه های فوکوس خودکار مناسب است (تمرکز تفاوت برای همان زمینه دید) ، فرض می شود که شدت کلی و تعداد اشیاء موجود در تصویر ثابت است و باعث می شود که برای مقایسه تصاویر از زمینه های مختلف دید کمتر مفید باشد. با این حال ، برای تمایز تصاویر بسیار مبهم ، عملکرد خوبی دارد.

LocalFocusscore: اندازه گیری واریانس شدت بین زیر مناطق تصویر. یک نسخه محلی از نمره تمرکز ، تصویر را در کاشی های غیر همپوشانی قرار می دهد ، واریانس نرمال را برای هر یک محاسبه می کند و میانگین این مقادیر را به عنوان متریک نهایی می گیرد. این به طور بالقوه برای مقایسه تمرکز بین تصاویر از زمینه های مختلف دید مفید است ، اما در معرض همان احتیاط ها با نمره تمرکز قرار دارد. این می تواند در تمایز تصاویر خوب در مقابل تصاویر تقسیم بندی شده بد در مواردی که تصاویر تقسیم شده بد معمولاً حاوی اشیاء سلولی با سر و صدای پس زمینه بالا هستند ، مفید باشد.

همبستگی: اندازه گیری همبستگی تصویر برای یک مقیاس مکانی خاص. این یک اندازه گیری از توزیع شدت مکانی تصویر است که در زیر مناطق زیر یک تصویر برای یک مقیاس مکانی معین محاسبه شده است (هارالیک ، 1973). اگر یک تصویر تار شود ، همبستگی بین پیکسل های همسایه زیاد می شود و مقدار همبستگی بالایی ایجاد می کند. یک روش مشابه برای عملکرد بهینه برای کاربردهای میکروسکوپ فلورسانس یافت شد (Vollath ، 1987). برخی از مراقبت ها در انتخاب یک مقیاس مکانی مناسب مورد نیاز است زیرا تفاوت در مقیاس مکانی ویژگی های مختلفی را ضبط می کند: مقیاس متوسط ، تار شدن ویژگی های داخل سلولی را بهتر از مقیاس های کوچک ضبط می کند و مقیاس های بزرگتر احتمالاً منعکس کننده تلاقی سلولی از تاری کانونی هستند. شما باید یک مقیاس فضایی را بزرگتر از اشیاء مورد علاقه انتخاب کنید ، اگرچه می توانید مقیاس های زیادی را به دلخواه انتخاب کنید و به صورت تجربی بررسی کنید که بهترین است.

PowerLogLogSlope: شیب طیف قدرت ورود به سیستم تصویر. طیف قدرت حاوی اطلاعات فرکانس تصویر است و شیب اندازه گیری تار تصویر را نشان می دهد. شیب بالاتر نشانگر اجزای فرکانس پایین تر و از این رو تاری بیشتر است (Field ، 1997). این متریک در بیشتر موارد برای تشخیص تاری توصیه می شود.

معیارهای اشباع

صد درصد: درصد پیکسل ها با حداکثر مقدار شدت تصویر.

درصد: درصد پیکسل ها با حداقل مقدار شدت تصویر.

معیارهای شدت

TotalIntrichy: مجموع مقادیر شدت پیکسل.

میانگین شدت ، میانگین شدت: میانگین و میانگین مقادیر شدت پیکسل.

stdintens ، دیوانه وار: انحراف استاندارد و انحراف مطلق متوسط (MAD) مقادیر شدت پیکسل.

MINININTS ، MAXININTANG: حداقل و حداکثر مقادیر شدت پیکسل.

TotalArea/TotalVolume: تعداد پیکسل ها (یا وکسل) اندازه گیری می شود.

مقیاس گذاری: اگر بله برای "مقدار نجات تصویر را درج کنید؟" انتخاب شده است ، مقدار نجات تصویر به عنوان یک معیار کنترل کیفیت ذخیره می شود. این امر در تأیید اینكه همه تصاویر با همان مقدار نجات می یابند ، با توجه به اینكه برخی از فروشندگان دستگاه خرید می توانند این مقدار را به طور متفاوتی تولید كنند ، مفید است.

معیارهای آستانه:

آستانه: آستانه محاسبه شده به طور خودکار برای هر تصویر برای روش آستانه انتخاب.

آستانه ها به صورت جداگانه برای هر تصویر و همچنین به عنوان آمار کل برای همه تصاویر موجود در آزمایش ثبت می شوند. میانگین ، انحراف متوسط و استاندارد از مقادیر آستانه در تمام تصاویر موجود در آزمایش برای هر یک از روشهای آستانه انتخاب شده و به عنوان اندازه گیری در جدول هر تجربی محاسبه می شود.

منابع¶

Bray Ma ، Fraser AN ، Hasaka TP ، Carpenter AE (2012) "گردش کار و معیارهای کنترل کیفیت تصویر در صفحه های با سطح بالا در مقیاس بزرگ."J Biomol Screen 17 (2): 266-74.(ارتباط دادن)

DJ Field (1997) "روابط بین آمار تصاویر طبیعی و خصوصیات پاسخ سلول های قشر" مجله انجمن نوری آمریکا. الف ، اپتیک ، علوم تصویر و چشم انداز ، 4 (12): 2379-94.(PDF)

Haralick RM (1979) "رویکردهای آماری و ساختاری به بافت" Proc. IEEE ، 67 (5): 786-804.(ارتباط دادن)

Vollath D (1987) "تمرکز خودکار با روش های همبستگی" مجله میکروسکوپ 147 (3): 279-288.(ارتباط دادن)

Sun Y ، Duthaler S ، Nelson B (2004) "فوکوس خودکار در میکروسکوپ رایانه: انتخاب الگوریتم فوکوس بهینه" تحقیق و تکنیک میکروسکوپ ، 65: 139-149 (پیوند)

اندازه

MeasureImageSkeleton تعداد شاخه ها و نقاط پایانی را در یک ساختار اسکلت مانند نورون ها ، ریشه ها یا عروق اندازه گیری می کند.

این ماژول می تواند تعداد کل شاخه ها و نقاط پایانی را برای اشیاء انشعاب در یک تصویر تجزیه و تحلیل کند. یک شاخه پیکسل با بیش از دو همسایه و یک نقطه پایانی پیکسل با تنها یک همسایه است.

شما می توانید یک اسکلت مورفولوژیکی با ماژول مورفولوژیکی اسکلت از گروه پیشرفته ایجاد کنید.